python实现多层前馈神经网络（手写体识别）

最新推荐文章于 2024-09-07 00:15:00 发布

酸辣螺丝粉

最新推荐文章于 2024-09-07 00:15:00 发布

阅读量4.3k

点赞数 1

文章标签：前馈神经网络 Tensorflow DeepLearning 手写体识别

本文链接：https://blog.csdn.net/zhylhy520/article/details/80746992

版权

本文通过Python实现了基于MINST数据集的多层前馈神经网络，详细介绍了网络结构，包括输入层、两个隐藏层和输出层。网络训练结果显示，经过100次循环训练，模型的准确率达到了97.95%。

摘要由CSDN通过智能技术生成

前馈神经网络的图例及推导过程见https://blog.csdn.net/u010089444/article/details/52555567，接下来我们用python语言实现多层前馈神经网络。本例使用的是MINST数据集，由输入层,两个隐藏层,输出层. MNIST数据集中图片的大小为28*28,即每张图片可用一个28*28=784的向量表示.网络输入层的维度是784, 第一层隐藏层包含625个激活单元,第二层隐藏层包含500个激活单元，因此输入层到第一层隐藏层的权重矩阵维度是625*784，第一层到第二层隐藏层的权重矩阵维度是500*625，第二层隐藏层到输出层的权重矩阵维度是10*500,即网络最后输出一个10维向量,表示模型对图片中数字的预测结果.具体代码如下：

import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data
#数据读取
data_sets = input_data.read_data_sets("MNIST_data/", one_hot=True)
trX, trY, teX, teY = data_sets.train.images, data_sets.train.labels, data_sets.test.images, data_sets.test.labels
#占位符
images_placeholder = tf.placeholder("float", [None, 784])
labels_placeholder = tf.placeholder("float"